[发明专利]基于分布学习的联合去噪去马赛克方法及系统

权利要求书

1.一种基于分布学习的联合去噪去马赛克方法，其特征在于，具体包括以下步骤：

步骤一、建立用于去噪去马赛克的任务模型；

步骤二、构建用于所述任务模型的训练数据集合；

步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；

步骤四、将待进行处理的图像数据输入所述JDD任务模型中；

步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。

2.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，建立步骤一中所述任务模型的过程进一步为：

步骤1.1、建立基础模型，其表达式为：

y＝M(x+n)

式中，y表示带噪声的彩色滤波阵列；M表示马赛克操作；x表示线性RGB图像；n表示噪声；

步骤1.2、采用单个像素的对基础模型进行修正，其表达式为：

y_i＝M_i(x_i+n_i)

式中，i表示像素的下标；

步骤1.3、引入中间变量并采用高斯分布对其进行建模，所述中间变量表达式为：

引入高斯分布后的建模表达式为：

式中，表示与信号相关的方差；

步骤1.4、采用松弛监督将原始真值x_i松弛为高斯分布，并将建模表达式转换如下所示：

式中，是手动调整的超参数；

步骤1.5、利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数，其表达式为：

式中，μ表示JDD模型预测的均值；Σ²表示JDD模型预测的方差；是噪声估计模块预测的噪声w表示输入图像的宽；h表示输入图像的高。

3.根据权利要求2所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，JDD任务模型输出通道为6通道，前三个通道为均值μ，后三个通道为方差∑²。

4.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，JDD任务模型中还包括一个噪声估计网络，用于预测噪声，所述噪声估计网络为预设层数的全卷积神经网络，采用LeakyReLU作为激活函数，且无归一化层。

5.根据权利要求4所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，

将待进行处理的图像数据输入JDD任务模型中时，原始的待进行处理的图像数据进入噪声估计网络中进行噪声预测，并输出预测结果

6.根据权利要求4所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，

拼接待进行处理的图像数据与噪声估计网络的预测结果，并一同输入JDD任务模型，利用步骤1.5中的损失函数进行训练；其中，式中，是手动调整的超参数。

7.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，在训练步骤三中的任务模型时，采用分布学习将真值松弛为高斯多元分布。

8.一种基于分布学习的联合去噪去马赛克系统，用于实现权利要求1～7任意一项方法，其特征在于，包括：

用于建立去噪去马赛克任务模型的第一模块；

用于构建所述任务模型训练数据集合的第二模块；

用于获得JDD任务模型的第三模块；

用于输入待进行处理的图像数据至所述JDD任务模型中的第四模块；

用于对接收到的图像数据进行处理并输出的第五模块。

9.根据权利要求8所述的一种基于分布学习的联合去噪去马赛克系统，其特征在于，

所述JDD任务模型为经过训练的任务模型；该模型输出通道为6通道，并对半划分，一半被设置为输出均值，另一半被设置为输出方差。

10.根据权利要求8所述的一种基于分布学习的联合去噪去马赛克系统，其特征在于，

所述JDD任务模型中还包括噪声估计模块；

所述噪声估计模块被设置为预计噪声并输出。